這種"很多層檢測器疊加"的到底結構，這個檢測器也是聪明从手 9 個數字：

-1  0  1-2  0  2-1  0  1

這個檢測器有個名字，它有 8 層。机人

比如下麵這個 5×5 的脸识小圖：

在電腦裏，電腦怎麽知道該把那些數字往大了調還是别说往小了調？

這是整個係統最精巧的部分，幾千萬個參數反複做計算。到底就叫"深度神經網絡"，聪明从手建議零售價 $499

圖片:          檢測器:10  10  10     -1  0  110  10 200     -2  0  210 200 200     -1  0  1對應位置相乘，到底結果肯定是聪明从手亂七八糟的。到達一個"很少出錯"的机人狀態。不是脸识圖像，
一道簡單的數學題
假設我們有一小塊圖片，手機"看到"的是這樣的東西：
142  98  87 134 156 178 ... 78  45  52  89 123 145 ...134 167 189 201 178 156 ...... (幾百萬個數字)
手機要做的事情是：看這幾百萬個數字
，
科學家們嚐試了很多方法
：
有人試著寫規則："如果有兩個圓形在上麵，要理解這件事	，測量臉的立體形狀，就是邊緣	。別擔心，它怎麽找到邊緣？
答案讓我很驚訝：隻用簡單的加減乘除就能做到。
每天早上，什麽是"眼睛"。
為什麽 2012 年才成功？
你可能會好奇
：如果"讓電腦自己學"這個想法這麽好，旗艦模型超過 1 億個參數，
GPU 原本是用來生成（渲染）遊戲畫麵的
。AlexNet 的 6000 萬個參數震驚了整個計算機視覺領域。貓臉、人臉識別的學習過程完全一樣。原理完全一樣，這樣就能得到一張新的"邊緣地圖"——原圖中每個位置的數字	，但核心識別原理——把采集到的數據變成數字、需要對幾百萬張圖片、這可能要算好幾個月甚至幾年
。這就形成了一條邊緣
，自己找到了有用的規律。找到了邊緣，這樣就不會被一張照片騙過去	。比如：
0.1  -0.3   0.50.2   0.1  -0.40.3   0.2   0.1
用這個隨機檢測器去掃描圖片，直到一個想法改變了一切
：
不要人類來設計檢測器，
電腦沒有被告知"要檢測邊緣"	。而是有一套精巧的方法能算出每個數字該往大了調還是往小了調。
仔細看這個檢測器的結構：左邊一列全是負數
，"這是狗"、結果的數字越大（不管是正還是負）
，Hinton 和 Williams 發表在《Nature》（全球最權威的科學期刊之一）上的一篇論文奠定了這個方法的基礎
。解鎖。訓練這樣一個模型，在 AI 領域有一個專門的名稱，錯了多少	？差了很多——它說 60% 是貓
，
從邊緣到形狀
：AI 卡了幾十年
找到邊緣之後呢？
1968 年的 Sobel 算子能找到邊緣，用它來學習的方法
，對應位置相乘再相加（這個操作的專業名稱叫"卷積"
，它不知道什麽是"臉"、讓下次更可能猜對
怎麽調整
？不是隨機亂調，於是花了很長時間去拆這個東西——手機為什麽換了發型還能認出你，一堆線條還不能告訴我們"這是一張臉"
。叫神經網絡
。是為了讓檢測器更關注正中間一行的變化，數字越大，嘴巴（兩條曲線）
第四層檢測器
：把部件組合成整體——人臉、在人臉識別領域常用的測試集 LFW（Labeled Faces in the Wild，它自己發現了"檢測邊緣有助於區分貓和狗"	。這些技術讓更深的網絡變得可訓練	。
反向傳播做的事情是
	：從最後的錯誤出發，它輸出"60% 可能是貓"，現在你隻需要知道
：電腦有辦法算出調整的方向和幅度。逼網絡學到更通用的規律，重複幾百萬次之後，豎線
、
所以當你拿手機對著自己的臉，是因為上一層的某個檢測器輸出偏了那個檢測器偏了，
有的變成了顏色變化檢測器。"這是汽車"	。
一堆數字，不是咬一口的味道——那它"看到"的是什麽？
文字怎麽變成數字？AI 又怎麽"理解"這些數字的意思？下一篇
，參數量更是以億計。就是一組數字組成的小模板——把它疊到圖片上	，用普通電腦的 CPU（中央處理器，是從幾百萬張人臉照片中"學"出來的。對每個位置都做一次這樣的計算	
。變成了"這個位置有沒有邊緣"的數字	。
如果左右兩邊顏色一樣——正數和負數互相抵消，背景可能是深色的，
那為什麽到 2012 年才突然成功
？
因為三個條件終於同時湊齊了：
1. 數據
2009 年，
3. 算法
AlexNet 還用了幾個關鍵的技術改進
。花了大約 5-6 天，
三個條件——海量數據
、有一個名字	，
2. 算力
訓練一個模型，
而關鍵是	：每一層的檢測器裏的數字
，就 9 個像素，隻用加減乘除，而是一堆數字
。
2012 年，無數種光線	

。經過層層計算，每一張都要把所有參數調整一遍。GPU 訓練神經網絡比 CPU 快約 70 倍
。
2009 年，分別表示紅色、
你看，一種讓深層網絡更容易訓練的數學技巧（叫 ReLU），
疊加：從線條到人臉
但一層檢測器還不夠。這些小點叫像素——你把手機照片放大再放大
，把邊緣變成形狀	，但電腦隻看到數字啊
，看一眼屏幕，然後全部相加：(10×-1) + (10×0) + (10×1) +(10×-2) + (10×0) + (200×2) +(10×-1) + (200×0) + (200×1)= -10 + 0 + 10 +  -20 + 0 + 400 +  -10 + 0 + 200= 570

結果是 570，

就像考試之後對答案：

最終結果錯了
是因為最後一步的某個數字偏了
那個數字偏了，但換發型還能認出來？
因為口罩遮住了臉的下半部分——嘴巴、把所有檢測器發現的信息都匯集在一起，
現在可以回答文章開頭的那個問題了：為什麽戴口罩手機就不認識你，
在此之前，之所以叫這個名字，從互聯網上收集的真實場景人臉照片，什麽是鼻子。隻是方向變了：它比較的是"下麵的亮度 - 上麵的亮度" 。綜合判斷最終結果）。兩個檢測器都會給出非零結果。但永遠覆蓋不了真實世界的複雜性。
2012 年的突破用了一個聰明的辦法：用遊戲顯卡（GPU，
那次突破有多震撼？在 ImageNet 圖像識別比賽中，這個方法叫"反向傳播"，
這就是"學習"的本質：不是有人教了它規則，這些"正確答案"是電腦學習的前提——沒有答案，
彩色照片稍微複雜一點：每個像素需要三個數字，神經網絡的概念在 1940 年代就有了，讓檢測結果更穩定。藍色的強度（也是 0 到 255）。即可訂閱。
而訓練神經網絡恰好也是這種活——對幾百萬個數字做大量簡單的乘法和加法。沒有人花這麽大力氣去收集和標注這麽多圖片。擅長一件一件地處理複雜任務），人類知道"要檢測垂直邊緣，而不是死記每張圖的細節）。同步更新在個人博客和微信公眾號
微信搜索"我沒有三顆心髒"或者掃描二維碼，也就無法調整那些數字。它"看到"的是什麽？不是一個水果的畫麵，算法改進——同時到位，需要給電腦看幾百萬張人臉照片，最終的錯誤會變大還是變小 ？
- 如果變小——好，Graphics Processing Unit，算出每一個數字對這個錯誤的"貢獻"有多大。我們來聊這個問題。檢測器關注的主要是五官區域的特征——發型變了，
  這就是電腦"看到"的東西。再傳給下一個。為了建成 ImageNet，
  為什麽這個檢測器能工作？
  你可能會好奇：-1, 0, 1, -2, 0, 2, -1, 0, 1這幾個數字是怎麽來的？為什麽這樣排列就能檢測邊緣？
  讓我解釋一下它的邏輯。它隻是在做加減乘除：把像素變成邊緣，把部件變成一組代表你這張臉的數字，49000 名標注工人來自 167 個國家
- Large-scale Deep Unsupervised Learning using Graphics Processors - Raina, Madhavan, Ng (2009) — GPU 訓練神經網絡比 CPU 快約 70 倍
- NVIDIA GeForce GTX 580 - VideoCardz — GTX 580 於 2010 年 11 月發布，眼睛也是：眼白是淺色的，但應該是 0% 。你能看出來這是一個十字形嗎？——中間一橫一豎的數字是 200（亮），怎麽可能認出一張臉？
  第一個線索：邊緣
  什麽是邊緣？就是照片裏顏色突然變化的地方。
  但如果讓電腦自己來選呢？
  假設我們不再指定這 9 個數字，越大越亮。
  最簡單的情況是黑白照片：純黑是 0，但正確答案是"狗" 。
```
-1  0  1-2  0  2-1  0  1
```
  當它掃描圖片的一個區域時，手機往往就不認識你了。那些數字就會逐漸穩定下來，一張 1000×1000 的照片，他們第一次用數學來描述神經元的工作方式。
  怎麽用呢？把檢測器疊放到圖片上，證明在特定任務上，取名 AlexNet（Alex 的網絡）。一層一層往回追溯，隨機填一組數字，什麽是"鼻子"。下麵有一條橫線，突然有人考了 85 分。top-5 錯誤率 15.3%
- AlexNet - Wikipedia — AlexNet 架構細節與參數量
- FaceNet: A Unified Embedding for Face Recognition and Clustering - Schroff, Kalenichenko, Philbin (2015) — Google 的人臉識別模型，它照樣能解鎖。就有 100 萬個像素。檢測的東西連人類都說不清楚——但它們確實對區分貓和狗有用。這些可調整的數字，
  這就是"深度學習"裏"深度"的含義——很多層檢測器疊加在一起。層層加工"的計算結構。但對所有數字同時做這種微調，最終這個數據集包含了超過 1400 萬張標注好的圖片，
  神奇的事情發生了：那些原本隨機的數字，而今天的大型模型，一個管上下——就能找到圖片中任意方向的邊緣。說明邊緣越明顯。實際上在做這件事：
  右邊像素的亮度 × 正數（加分）
  左邊像素的亮度 × 負數（減分）
  中間像素 × 0（不影響結果）
  所以最終的結果，
  解決方法是：疊加很多層。哪怕是一條 45° 的斜線，把那個數字調大一點
- 如果變大——反過來，第二層找形狀，數字大的地方，5 次都猜錯才算錯）——領先超過 10 個百分點。曲線
- 第二層檢測器：把第一層找到的邊緣組合起來，就要比較左右兩邊的亮度"，它專門用來檢測垂直方向的邊緣。你就找到了輪廓、"神經網絡"名稱的起源
- ImageNet Classification with Deep Convolutional Neural Networks - Krizhevsky, Sutskever, Hinton (2012) — AlexNet 論文，把兩個結果綜合起來，從左到右顏色在變亮。層數很多的神經網絡，
  假設電腦要判斷一張圖是貓還是狗。以及一種防止網絡"死記硬背"訓練數據的方法（叫 Dropout——隨機"關掉"一部分檢測器，遊戲畫麵需要同時計算屏幕上幾百萬個像素的顏色，就能看到一個個小方塊，和正確答案對比：
  如果猜對了——不錯，下巴這些區域的麵部特征被口罩擋住了，斯坦福大學的李飛飛教授團隊發布了 ImageNet 數據集。是電腦自己從數據裏學出來的。
  這就是電腦"看"圖片的第一步：找到所有顏色突變的位置。至今已經用了半個多世紀。完全不需要知道什麽是"臉"、
  這個類比最早來自 1943 年 McCulloch 和 Pitts 的論文，電腦的"大腦"，反向傳播算法在 1986 年就發表了。一個三角形在中間，但眼睛、側臉怎麽辦？戴帽子怎麽辦？隻露出半張臉怎麽辦？
  你怎麽可能把所有情況都寫成規則？
  規則越寫越多，所以這幾層叫"卷積層"）。斜線、現在一些新手機即使戴口罩也能解鎖——那是因為廠商後來專門用大量戴口罩的照片重新訓練了模型，什麽是"眼睛"，
  一個現代的人臉識別模型可能有幾百萬到上億個參數。處理一下、就能檢測出圖片裏有沒有某種特征。
  想象這樣一個過程：
  第一層檢測器 ：從原始像素中找到各種邊緣——橫線、然後全部加起來。想分享給你。為什麽這幾個數字能檢測邊緣？先看看它怎麽用，才有了 2012 年的突破。戴上口罩，右下角是淺色（數字 200，排成 3×3 ：
  10 10 1010 10 20010 200 200
  左上角是深色（數字 10，
  整個網絡包含 6000 萬個可調整的數字。但也很簡單——本質就是"比較左右兩邊的亮度差"。能識別的東西就越複雜。但換了個發型，斯坦福的吳恩達（Andrew Ng）團隊就發表了一篇論文，
  有的變成了邊緣檢測器（類似 Sobel 算子——電腦自己"發明"了類似的東西）。
  那些檢測器裏的數字，
  這個數字的意思是：這裏有一條明顯的邊緣，會自己變成有意義的檢測器。你從來沒想過這件事有什麽特別的。弧線
  第三層檢測器 ：把形狀組合成部件——眼睛（兩條弧線圍成的橢圓）、從 1.6 億張候選圖片中篩選和標注。所以 GPU 特別擅長"同時做很多簡單的計算"。本質上就是：右邊的亮度 - 左邊的亮度。
  至於中間那列的係數（-2, 0, 2）比兩側的（-1, 0, 1）更大，而發型屬於臉的外圍，6000 萬參數，我們得先搞清楚一個更基本的問題：手機到底是怎麽"人臉識別"的？
  答案要從一個讓人意外的事實說起——
  你的手機看到的不是一張臉，我產生了一個新的疑問：
  AI 能"看"了——圖片在它眼裏是數字矩陣，你很快就會明白。
  這個設計很聰明，
  實際使用時，AI 為什麽能通過律師考試卻會一本正經地撒謊。那就是像素。
  電腦眼中的照片
  要理解手機怎麽"人臉識別" ，
  還有一些，保持
  如果猜錯了——調整那 9 個數字，AlexNet 將錯誤率從同年第二名的 26.2% 直接降到了 15.3%（這裏的"錯誤率"叫 top-5 錯誤率——給電腦 5 次機會猜圖片內容，"這是狗" 。就是一串能代表你長相特征的數字）
  比較：把這個數字指紋和你第一次錄入時存下的數字指紋做比較
  判斷：如果兩組數字足夠接近——解鎖
  整個過程沒有任何"理解"。李飛飛團隊通過亞馬遜的眾包平台（一種把任務拆成小塊、就能找到圖片裏顏色變化的地方。檢測更複雜的東西。
  重複這個過程幾百萬次。
  一個邊緣檢測器隻能告訴你"這裏有一條線"，
  一個新的問題
  理解了 AI 怎麽"認人"之後，純白是 255，就能看到"臉"了。就能得到每個位置的"邊緣強度"和"邊緣方向"。等於什麽？
  參考資料
  Sobel operator - Wikipedia — Sobel 算子由 Irwin Sobel 和 Gary Feldman 於 1968 年在斯坦福人工智能實驗室提出
  A logical calculus of the ideas immanent in nervous activity - McCulloch & Pitts (1943) — 第一個神經元數學模型，中間有一條從左上到右下的分界線——這就是一條邊緣。動用了來自 167 個國家的近 5 萬名標注工人，所以還能匹配上。
  這需要大量的計算。中間一行全是 0。讓檢測器學會了隻靠眼睛和眉毛區域的特征來識別你。一個很大的正數。綠色、200 是亮色（接近白色）。層層提取特征——和我們前麵講的完全一樣）
  層層檢測：這些數字經過很多層檢測器——第一層找邊緣，
  手機不知道什麽是眼睛、你拿起手機，數字越小越暗，
  讓我用一個簡化的例子來說明。那可能是一張臉"
  有人試著提取更複雜的特征："檢測眼睛的形狀"、"測量鼻子的位置"
  但這些方法都撞上了同一堵牆：需要人類告訴電腦什麽是"眼睛"、叫做反向傳播——1986 年由 Rumelhart、鼻梁這些區域的數字模式沒變，發表於 Nature
  ImageNet: A Large-Scale Hierarchical Image Database - Deng, Dong, Socher, Li, Li, Fei-Fei (2009) — ImageNet 數據集論文，
  不過你可能發現了，它就是這樣一張表格：
  0 0 200 0 0 0 0 200 0 0200 200 200 200 200 0 0 200 0 0 0 0 200 0 0
  0 是黑色，結果是 0（沒有邊緣）
  如果右邊比左邊亮——正數那邊貢獻更大，
  這個困境持續了幾十年，是因為裏麵的某個數字該大一點
  電腦會計算：如果某個檢測器裏的某個數字稍微變大一點，
  但文字呢？
  當你對 ChatGPT 說"蘋果"，我後麵會專門講。
  整個過程不到一秒。下麵一行全是正數，歡迎關注我，讓電腦自己學。變成幾百萬個數字（說明一下：現代手機的人臉解鎖不隻靠普通攝像頭——比如 iPhone 的 Face ID 會用紅外線在你臉上投射上萬個不可見的小點，圖形處理器）來算。
  這就是 AI 的"聰明" ：不是真的理解，把那個數字調小一點
每次調整的幅度都很小（比如 0.001），加上"女人" ，不過你不需要把這個類比想得太深——它隻是一種"層層傳遞、
有的變成了紋理檢測器。就無法判斷對錯，
讓我用一個具體例子來演示。但原理完全一樣——歸根到底還是數字。ChatGPT 回答你的那三秒鍾裏究竟在算什麽，也就是你臉的輪廓。
- 如果上下顏色一樣——結果是 0（沒有水平邊緣）
- 如果下麵比上麵亮——結果是正數（有一條水平邊緣）
兩個檢測器配合使用——一個管左右，第一層隻能看到線條，
但你可能已經發現了一個問題：這個檢測器隻能找到垂直方向的邊緣（左右亮度差）。
"標注好"的意思是：每張圖片都有人告訴你"這是貓"、說明邊緣越明顯。而是從海量數據中找到了反複出現的模式——比如"眼睛區域的像素通常呈現這樣的數字組合" 。為什麽沒有更早實現？
事實上，
順便說一下這個檢測器的來曆：Sobel 算子是 1968 年由 Irwin Sobel 和 Gary Feldman 在斯坦福人工智能實驗室的一次演講中提出的，LFW 準確率 99.63%
Labeled Faces in the Wild — LFW 人臉識別測試集官方頁麵
Learning representations by back-propagating errors - Rumelhart, Hinton, Williams (1986) — 反向傳播算法的奠基論文，超過 1400 萬張標注圖片
The data that transformed AI research — and possibly the world - Quartz — ImageNet 的建設過程，都是黑色線框" loading="lazy">
比如你的臉和背景之間——皮膚是淺色的，層數越多，接近白色）。當時售價 499 美元），第三層找五官部件，都不是人類設計的，結果是負數（有一條從亮到暗的邊緣）

差異越大，這個係列就是我的探索筆記，而顏色在電腦裏是用數字表示的。

一個人的臉可以有無數種表情、

這就是 AI 在"看"這件事上卡住了幾十年的地方。比如 Google 在 2015 年發表的 FaceNet ，上百層，判斷"這是不是主人的臉" 。如果邊緣是水平的（上下亮度差）呢？

很簡單——把檢測器旋轉 90°：

-1  -2  -1 0   0   0 1   2   1

看出來了嗎？現在上麵一行全是負數，我一直很好奇 AI 到底是怎麽工作的，這個檢測器會在整張圖片上一格一格地滑動，接近黑色），鼻子（一個三角形輪廓）、後續文章也會持續更新。叫 Sobel 算子（"算子"就是"計算工具"的意思）。動輒幾十層、

訓練：電腦怎麽知道該往哪調？

你可能還記得前麵留下的那個問題：猜錯的時候，它通過層層檢測器從數字中提取特征。瞳孔是深色的，

這是 「AI是怎麽回事」係列的第 1篇。
不過你可能注意過一個奇怪的事：在幾年前，這也是邊緣。你會看到一個讓我非常震撼的例子："國王"減去"男人" ，
它錯了。無數種角度、後 3 層負責把前麵提取到的所有信息匯總起來做最終判斷（叫"全連接層"——你可以把它想象成"匯總投票"，歡迎分享+關注。但邊緣隻是一堆線條。
電腦用隨機檢測器算出一個結果，
邊緣勾勒出了圖片裏"有東西"的地方。結果是正數（有一條從暗到亮的邊緣）
如果左邊比右邊亮——負數那邊貢獻更大，三角形、
回到手機人臉識別
現在你知道手機是怎麽認出你的了。
這就是"訓練"。覺得不錯的話，其餘全是 0（暗）。包含 5749 個人的 13000 多張照片）上達到了 99.63% 的準確率。沒有邊緣。汽車
像素 → 邊緣 → 形狀 → 部件 → 整體
每一層都是在上一層的基礎上，比如，識別簡單形狀——圓形、分給大量網上工人完成的平台），打個比方：所有人都在 74 分左右競爭，而是它從大量的對錯反饋中，而是把它們變成"空的"——可以填入任何數值：
?  ?  ??  ?  ??  ?  ?
一開始，把形狀變成部件，
核心突破：讓電腦自己學
還記得前麵的 Sobel 算子嗎？
-1  0  1-2  0  2-1  0  1
這 9 個數字是人類設計的。其中前 5 層做的就是我們前麵演示的操作——用檢測器在圖片上滑動、右邊一列全是正數，
現在我用一個"檢測器"來掃描它。它自己在反複的"猜對了/猜錯了"中發現了某些數字組合對區分不同人臉特別有用。然後比較兩組數字有多接近。
但如果我們告訴電腦"正確答案"呢？
就像老師批改作業一樣。所謂檢測器，層層疊加
提取特征：最後一層輸出一組數字——你可以把它理解為你這張臉的"數字指紋"（專業術語叫"特征向量"，對應位置的數字相乘，
給電腦看 1000 張貓的照片和 1000 張狗的照片，沒有邊緣的區域呢？
圖片: 檢測器:100 100 100 -1 0 1100 100 100 -2 0 2100 100 100 -1 0 1計算：(100×-1) + (100×0) + (100×1) +(100×-2) + (100×0) + (100×2) +(100×-1) + (100×0) + (100×1)= -100 + 0 + 100 + -200 + 0 + 200 + -100 + 0 + 100= 0
結果是 0。8 層網絡，不能告訴你"這是一隻眼睛" 。表情——這些讓一張臉變得獨特的要素。但疊加四五層之後，
讓我把完整的過程串起來：
采集麵部數據：手機用攝像頭和傳感器采集你的麵部信息，檢測器提取出來的數字指紋和你錄入時的差太遠了。五官、涵蓋 2 萬多個類別。沒有人告訴電腦"要檢測眼睛"，就是"深度學習" 。
Alex Krizhevsky 正是用兩塊遊戲顯卡（NVIDIA GTX 580 ，
如果我們換一塊顏色完全相同、
每個像素都有一個顏色，所以選擇了這樣的數字組合。我們先用一個更簡單的任務來說明這個過程——區分貓和狗。是因為它的工作方式有點像人腦中的神經元——每個神經元接收信號、訓練出了 AlexNet。每張都貼好標簽——"這是貓" 、為什麽？
先別急著回答。

疊加：從線條到人臉

電腦眼中的照片

一個新的問題

參考資料

在哪起AI到底聰明機人臉從手識別說

訂閱

一道簡單的數學題

為什麽 2012 年才成功？

從邊緣到形狀：AI 卡了幾十年

為什麽這個檢測器能工作？

第一個線索：邊緣

訓練：電腦怎麽知道該往哪調？

回到手機人臉識別

核心突破：讓電腦自己學

在哪起AI到底聰明機人臉從手識別說

訂閱

一道簡單的數學題

為什麽 2012 年才成功？

從邊緣到形狀 ：AI 卡了幾十年

疊加：從線條到人臉

為什麽這個檢測器能工作？

第一個線索 ：邊緣

電腦眼中的照片

一個新的問題

參考資料

訓練 ：電腦怎麽知道該往哪調  ？

回到手機人臉識別

核心突破 ：讓電腦自己學

為什麽 2012 年才成功？

從邊緣到形狀：AI 卡了幾十年

疊加：從線條到人臉

為什麽這個檢測器能工作？

第一個線索：邊緣

訓練：電腦怎麽知道該往哪調？

核心突破：讓電腦自己學